التجميع باستخدام K-means

Name: التجميع باستخدام K-means
Author: Briana Brownell

فهم تطبيقات خوارزمية K-Means المختلفة في التجميع والتجزئة.

شاهد الدرس الأول مجانًا — احصل على وصول كامل إلى جميع الدروس الـ8.

دورة تدريبية: عند الطلب

في هذا الفصل، سنتناول خوارزمية K-mean، وهي أكثر خوارزمية التجميع شيوعًا التي من المحتمل أن تستخدمها في الممارسة. الآن، من المحتمل أن يمنحك اسم K-Means قليلاً من الحدس حول كيفية عمل هذه الخوارزمية، لكن دعنا نتناولها بالتفصيل. أولاً، عليك اختيار عدد معين من النقط الوسطى Centroids. لذا فإن عدد المجموعات التي تختارها هو شيء سننظر فيه بمزيد من التفاصيل، لكن أحد الأشياء التي يجب أن تتعرف عليها هو أنه يجب عليك تحديد عدد المجموعات في الواقع. لذلك عليك أن تقرر القيمة التي تأخذها K. فهل هي مجموعتان، خمس مجموعات، 15 مجموعة؟ هذا اختيار سوف تحتاج إلى القيام به عندما تقوم بتشغيل K- Means على بياناتك. لذا، نبدأ أولاً باختيار رقم معين من النقطه الوسطى للبدء. الآن، يمكنك اختيار موضع النقط الوسطى ليكون عشوائيا، أو يمكنك استخدام خوارزمية محددة لتقرر من أين تبدأ النقط الوسطى الخاصة بك. عادة، يتم اختيارهم باستخدام خوارزمية محددة يقوم بعمل أفضل في العثور على مجموعات مستقرة، لكن قد لا يكون لديك رفاهية القدرة على تشغيل شيء قد يستغرق وقتًا طويلاً على بياناتك أولاً. لذا يمكنك ببساطة اختيارهم بشكل عشوائي. ثم، لكل حالة، ما نريد فعله هو وضع هذه الحالة في الكتلة (المجموعة) مع أقرب نقطة وسطى. لذا تنظر إلى البيانات في هذه الحالة المحددة، وتحدد النقطة الوسطى الأقرب إليها، ثم اربطها بتلك النقطة الوسطى المحددة. تكرر هذا لكل حالة في مجموعة البيانات. وبعد ذلك، في النهاية، تقوم بتحديث النقط الوسطى لتكون متوسط نقاط البيانات داخل كل كتلة. لذا، يمكنك أن ترى أن K هو عدد المجموعات، ومن ثم تشير Means إلى أخذ المتوسط من جميع الحالات لتشكيل النقط الوسطى الجديدة. بعد مراجعة مجموعة البيانات مرة واحدة، ما تريده هو تكرار هذه الخطوات باستمرار حتى تستقر النقطتين الوسطى وتتقارب. هذا رسم متحرك يوضح خوارزمية K-Means في العمل. يمكنك أن ترى أنه في البداية تختار ثلاثة نقط وسطى على نحو عشوائي. الآن، الكتل الزرقاء والصفراء هي في الواقع قريبة جدًا من بعضها البعض. لذا في البداية، الكتلة الزرقاء صغيرة إلى حد ما والعنقود الأصفر أكبر بكثير. العنقود (الكتلة) البرتقالي لأن النقطة الوسطى تبدأ بعيدا جدا من النقطتين المركزيتين الأخريين، هو حقًا كبيرًا في البداية. ولكن بينما نواصل تحديث النقط الوسطى، يصبح العنقود البرتقالي أصغر وأصغر. لذا تسمى مجموعة البيانات هذه مجموعة بيانات ميكي ماوس، وربما يمكنك معرفة السبب. تتكون بشكل أساسي من ثلاث نقاط نقطة، نوعا ما أكبر في المنتصف في الأسفل، ثم اثنين أصغر مما يبدو قليلا مثل ميكي ماوس وأذنيه. لذا هناك بعض الأشياء التي يجب ملاحظتها حول هذه العملية لتشغيل K- Means. لذا يمكنك أن ترى أنها تقوم بعمل جيد إلى حد ما لتصنيف النقاط التي نتوقعها معًا. لذا فإن الحالتين على الأذن اليمنى متقاربتان تقريبًا، تلك الموجودة على الأذن اليسرى، مرة أخرى، إنهما معًا تقريبًا، ثم تلك الموجودة على الوجه المستدير يتم تجميعها أيضًا معًا. لكن في هذه الحالة، هناك بالفعل مجموعة من الحالات التي ربما إذا أردنا القيام بذلك بمجرد النظر إليه واستنتاج النمط، من المحتمل أن نضعها مع كل الأذنين. لذا تذكر هذا عندما تفكر في الحدس حول K-means لأنه في هذه الحالة، في مجموعة البيانات هذه، ما لدينا هو العناقيد التي لها متغيرات غير متكافئة. وخوارزمية K-means تكافح حقًا مع وجود مجموعات لها تباينات مختلفة، لأننا عندما نجري الحساب، نحن نفترض أن التباين متساوي داخل كل مجموعة من مجموعات K التي اخترناها. الآن، هذا المثال في البعدين XوY فقط. لذا هناك متغيرين فقط يتم تجميعهما. ولكن تقريبًا كل المجموعات التي ستفعلها ستكون بأعداد أكبر بكثير من الأبعاد. لذا قد يكون لديك حفنة، أو حتى دزينة أو عشرين متغيرًا التي تستخدمها من أجل تكوين مجموعاتك. لذا فإن خوارزمية K-means تقوم بدالة مماثلة، إلا في أبعاد أعلى. لذلك بدلاً من تحريك النقط الوسطى فقط في الداخل مستوى XوY، أنها في الواقع تحرك النقطة الوسطى مهما كانت الأبعاد لديك، كمتغيرات إدخال. لذا يمكن أن يكون هناك بضع عشرات من المتغيرات. لذا هناك بعض الأسباب التي تجعل K- Means هي الخوارزمية الأكثر شيوعًا. السبب الأول هو، أنها مباشرة نسبيًا ومن السهل جدا برمجتها. لذلك لا نحتاج إلى خطوات كثيرة لفهم كيفية تجميع الصفوف المختلفة معًا وكيفية تحديث مركز الكتلة. ما يعنيه ذلك هو أنها بسيطة إلى حد ما لفهم كيف تتحرك النقط الوسطى وأن تكون قادرًا على تفسيرها عندما نريد أن نفهم ونصف المجموعات التي أنشأناها. لذا الآن يجب أن يكون لديك حدس حول كيفية عمل خوارزمية K-Means في الممارسة العملية والطريقة التي يتم بها تحديث النقط الوسطى عبر الزمن، وكذلك سبب تسمية هذه الخوارزمية K-means.

متوسط مقدِّم الخدمة : Briana Brownell 8 الدروس · 52m باللغات: العربية, الألمانية, الإنجليزية, الإسبانية, الفرنسية, البرتغالية, الأوردية, Chinese

وصف الدورة

تقدم هذه الدروس النمط الأكثر شيوعًا للتجميع k-Means والعمل من خلال حالة استخدام تفصيلية لتجزئة العميل. سوف تتعلم كيفية اختيار متغيرات الإدخال، وتحديد عدد المجموعات، وتفسير النقط الوسطى. ستتعلم كيفية تقييم جودة نموذج التحليل العنقودي، وكيفية مواجهة التحديات الحسابية التي تأتي مع التجميع. سندرس كيفية إنشاء شخصيات وطرق لتصنيف البيانات الجديدة.

أخيرًا، ستقدم هذه الوحدة، مفهوم خوارزمية K-Means وتفسير النقطة الوسطى. خلال هذه الوحدة، ستتعرف على متغيرات الإدخال ومقاييس جودة النموذج وتصنيف البيانات الجديدة. ستتعرف أيضًا على بعض التحديات الحسابية التي ستجدها مع التجميع من خلال K- Means.

ما ستتعلمه

تطبيق خوارزمية K-Means لبناء نموذج تقسيم العملاء
اختيار متغيرات الإدخال وتحديد عدد المجموعات لتحليل المجموعات
تفسير النقاط المركزية وإنشاء شخصيات للتسويق أو تطوير المنتجات
تقييم جودة النموذج باستخدام أساليب التحقق ومقاييس الجودة
معالجة التحديات الحسابية الناشئة عن تجميع K-Means
تصنيف البيانات الجديدة باستخدام نموذج التجميع المدرَّب

النقاط الرئيسية

يُقدَّم K-Means باعتباره الأسلوب الأكثر شيوعاً في التجميع ويُدرَّس من خلال حالة استخدام تفصيلية لتقسيم العملاء.
يستلزم بناء نموذج التقسيم اختيار متغيرات الإدخال وتحديد عدد المجموعات وتفسير النقاط المركزية.
يتناول المقرر كيفية تقييم جودة نموذج تحليل المجموعات باستخدام مقاييس الجودة وأساليب التحقق.
يُفضي التجميع إلى تحديات حسابية يشرح المقرر كيفية التعامل معها.
يدعم تفسير النقاط المركزية إنشاء شخصيات تستخدم في التسويق أو تطوير المنتجات وتصنيف البيانات الجديدة.

الأسئلة الشائعة

ما الذي يتناوله هذا المقرر؟

يُعرِّف بـ K-Means، الأسلوب الأكثر شيوعاً في التجميع، ويستعرض حالة استخدام تفصيلية لتقسيم العملاء، بما في ذلك اختيار متغيرات الإدخال وتحديد عدد المجموعات وتفسير النقاط المركزية وتقييم جودة النموذج ومعالجة التحديات الحسابية وإنشاء الشخصيات وتصنيف البيانات الجديدة.

ما المهارات التي ستكسبها من هذا المقرر؟

يُنمِّي المقرر المهارات في تحليل المجموعات والتجميع الهرمي وتجميع K-Means وتقسيم السوق وتحليل التقسيم والتجميع الطيفي.

ما الدروس المضمَّنة؟

الدروس هي: خوارزمية K-Means، واختيار متغيرات الإدخال، واختيار عدد المجموعات، وتفسير النقاط المركزية، ومقاييس جودة النموذج، والتحديات الحسابية، وإنشاء الشخصيات، وتصنيف البيانات الجديدة.

كيف يمكن الاستفادة من نتائج التقسيم؟

يوضح المقرر كيفية إنشاء شخصيات للاستخدام في التسويق أو تطوير المنتجات وكيفية تصنيف البيانات الجديدة.